Detecção semi-automática da borda do ventrículo esquerdo

Texto

(1)UNIVERSIDADE DE BRASÍLIA FACULDADE DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA. DETECÇÃO SEMI-AUTOMÁTICA DA BORDA DO VENTRÍCULO ESQUERDO MARIA DO CARMO DOS REIS. ORIENTADORA: Dra. JULIANA FERNANDES CAMAPUM DISSERTAÇÃO DE MESTRADO EM ENGENHARIA ELÉTRICA PUBLICAÇÃO: PPGENE.DM – 310/07 BRASÍLIA/DF: SETEMBRO – 2007.

(2) FICHA CATALOGRÁFICA REIS, MARIA DO CARMO DOS DETECÇÃO SEMI-AUTOMÁTICA DA BORDA DO VENTRÍCULO ESQUERDO [Distrito Federal] 2007. xii, 114p., 297 mm (ENE/FT/UnB, Mestre, Engenharia Elétrica, 2007). Dissertação de Mestrado – Universidade de Brasília. Faculdade de Tecnologia. Departamento de Engenharia Elétrica. 1. Processamento de Imagens Médicas 3. Segmentação 5. Estimação de movimento I. ENE/FT/UnB. 2. Ecocardiografia 4. Ventrículo Esquerdo 6.Morfologia Matemática II. Título (série). REFERÊNCIA BIBLIOGRÁFICA REIS, M. C. (2007). Detecção Semi-Automática da Borda do Ventrículo Esquerdo. Dissertação de Mestrado em Engenharia Elétrica, Publicação PPGENE.DM-310/07, Departamento de Engenharia Elétrica, Universidade de Brasília, Brasília, DF, 114p. CESSÃO DE DIREITOS AUTOR: Maria do Carmo dos Reis TÍTULO: Detecção Semi-automática da Borda do Ventrículo Esquerdo. GRAU: Mestre. ANO: 2007. É concedida à Universidade de Brasília permissão para reproduzir cópias desta dissertação de mestrado e para emprestar ou vender tais cópias somente para propósitos acadêmicos e científicos. O autor reserva outros direitos de publicação e nenhuma parte dessa dissertação de mestrado pode ser reproduzida sem autorização por escrito do autor.. ____________________________ Maria do Carmo dos Reis UnB Colina Bloco K apt.206 70910-900 Brasília -DF. iii.

(3) AGRADECIMENTOS A Deus pela vida e sabedoria a mim concedida ao longo da minha caminhada estudantil. Meus sinceros agradecimentos a minha orientadora Profa. Dra. Juliana Fernandes Camapum, pelo constante apoio, incentivo, dedicação e amizade essencial para o desenvolvimento deste trabalho e para o meu desenvolvimento como pesquisadora. Ao Bruno Luiggi Macchiavello Espinoza pela valiosa contribuição e pela gentil disponibilidade em me auxiliar no esclarecimento de minhas dúvidas. Ao Prof. Dr. Adson Ferreira da Rocha pelo apoio e incentivo. Aos médicos Dr. Hervaldo Carvalho e Dr. Daniel França Vasconcelos do Hospital Universitário de Brasília. A toda minha família, em especial meus pais, José e Helena, meus irmãos e meus sobrinhos. Pela compreensão da minha ausência, pelo apoio, incentivo e motivação. Ao Alexandre Bellezi José e Fernanda Brandi da Silva e também a todos meus colegas e amigos do mestrado. Ao meu namorado Paulo Henrique Quirino, pelo carinho, compreensão, apoio e dedicação. As demais amigas Flávia, Karise, Janete, Vivian, Anyelle, Kélem, Célia e Valquíria que sempre me acompanharam durante esta trajetória.. iv.

(4) RESUMO DETECÇÃO SEMI-AUTOMÁTICA DA BORDA DO VENTRÍCULO ESQUERDO Autor: Maria do Carmo dos Reis Orientadora: Juliana Fernandes Camapum Programa de Pós-graduação em Engenharia Elétrica Brasília, Setembro de 2007 A análise de ecocardiogramas bidimensionais para avaliar o desempenho da função cardíaca tipicamente requer a identificação do ventrículo esquerdo. Após a segmentação e extração do contorno do ventrículo esquerdo, certos parâmetros clínicos podem ser calculados para auxiliar no diagnóstico de doenças cardíacas. A segmentação manual é considerada uma tarefa morosa, que consome muito tempo e que pode apresentar variações inter e intra-observador. Sendo assim, encontram-se diversos métodos de segmentação automática e semi-automática na literatura. Foram desenvolvidos quatro métodos de segmentação semi-automática do ventrículo esquerdo divididos em dois grupos: métodos de extração da borda do ventrículo esquerdo com detecção e rejeição de quadros com movimento e métodos de extração da borda do ventrículo esquerdo sem detecção e rejeição de quadros com movimento. No primeiro grupo, o algoritmo inicia-se com o processo de detecção e rejeição de quadros com movimento. Este é realizado de duas formas diferentes: por estimação de movimento e por subtração de quadros. Em seguida, são aplicados filtros de pré-processamento para redução do ruído e aumento do contraste. O próximo passo é a segmentação da cavidade ventricular através de uma operação de limiarização. Finalmente, a extração da borda é feita mediante operações de vizinhança. Já no segundo grupo, os algoritmos dos dois métodos implementados são muito similares ao primeiro grupo. As diferenças são: a rejeição de quadros foi eliminada e no segundo método a extração da borda é realizada utilizando estimação de movimento. Para testar a eficiência dos métodos, executou-se a análise de desempenho utilizando quatro métricas para calcular a similaridade entre a borda manual e a borda automática: o índice de correlação, o erro percentual (EP), o erro soma (ES) e a diferença de área sobre o perímetro. A partir dos resultados dos testes foi possível identificar qual método melhor se aproximou da segmentação manual. Os resultados foram considerados muito precisos pelos médicos especialistas. v.

(5) ABSTRACT SEMIAUTOMATIC VENTRICLE. DETECTION. OF. THE. BORDER. OF. THE. LEFT. Author: Maria do Carmo dos Reis Supervisor: Juliana Fernandes Camapum Programa de Pós-graduação em Engenharia Elétrica Brasília, September of 2007 The analysis of two-dimensional echocardiograms to evaluate the performance of the cardiac function typically requires the identification of the left ventricle. After the segmentation and extraction of the contour of the left ventricle, certain clinical parameters can be calculated to assist in the diagnosis of cardiac illnesses. The manual segmentation is considered a weak task, which consumes much time and often presents significant variations inter and intra-observers. Therefore, several automatic and semi-automatic segmentation methods have been developed in order to improve this job. Four methods for semi-automatic segmentation of the left ventricle were developed. They were divided in two groups: methods for extraction of the left ventricle border with detection and rejection of pictures with movement and methods for extraction of the left ventricle border without detection and rejection of pictures with movement. In the first group, the algorithm begins with the detection process and rejection of pictures with movement. This process is accomplished using two different algorithms: movement estimation and pictures subtraction. After that, pre-processing filters are applied for noise reduction and contrast enhancement. Next, the segmentation of the heart cavity is achieved through a limiarization operation. And finally, the border is extracted by neighborhood operations. The main differences between the first and the second group are: there is no rejection of pictures in the second group and, the border extraction algorithm of the second method of the second group is accomplished using movement estimation. To test the performance of the developed segmentation methods, four metrics were applied in order to get the similarity between the manual and the automatic ventricle borders. From the analysis of the results, it was possible to identify which method provided the border that had a closer match to the manual one. Moreover, the medical specialists were contented with the results.. vi.

(6) SUMÁRIO 1. INTRODUÇÃO ..................................................................................... 1 1.1 REVISÃO DA BIBLIOGRAFIA ......................................................................3 1.2 OBJETIVOS ......................................................................................................5 1.3 ESTRUTURA DO DOCUMENTO ..................................................................6. 2. MÉTODOS DE SEGMENTAÇÃO AUTOMÁTICA DO VENTRÍCULO ESQUERDO ............................................................... 8 2.1 MÉTODOS DE DETECÇÃO DO CONTORNO DO VENTRÍCULO ESQUERDO .......................................................................................................8 2.1.1 Modelo de visão computacional para a detecção do contorno ...................10 2.1.2 Exemplo clássico ......................................................................................11 2.1.3 Classificação dos métodos de detecção do contorno .................................12 2.2 MEDIDAS DE AVALIAÇÃO DE DESEMPENHO ......................................20 2.2.1 Medidas de distância entre pixels .............................................................21 2.2.1 Medidas de proximidade entre pixels ........................................................22 2.2.2 Medidas de diferença de área ....................................................................22 2.2.3 Medidas de correlação linear ....................................................................23 2.3 SUMÁRIO .......................................................................................................24. 3. ALGORIMTOS DESENVOLVIDOS PARA A SEGMENTAÇÃO EM IMAGENS DE ECOCARDIOGRAMAS BIDIMENSIONAIS . 25 3.1 MÉTODOS DE SEGMENTAÇÂO COM DETECÇÃO E REJEIÇÃO DE QUADROS COM MOVIMENTO ..................................................................25 3.1.1 Extração da borda do ventrículo esquerdo com detecção e rejeição de quadros com movimento através do fluxo óptico (optical flow) ................26 3.1.1.1 Estágio de detecção e rejeição de quadros com movimento .........26 3.1.1.2 Estágio de pré-processamento .....................................................28 3.1.1.3 Estágio de segmentação .............................................................32 3.1.1.4 Extração do contorno ..................................................................33 3.1.2 Extração da borda do ventrículo esquerdo com detecção e rejeição de quadros com movimento através de subtração de quadros ........................36 vii.

(7) 3.2 MÉTODOS DE SEGMENTAÇÂO SEM DETECÇÃO E REJEIÇÃO DE QUADROS COM MOVIMENTO ..................................................................37 3.2.1 Extração da borda do ventrículo esquerdo sem detecção e rejeição de quadros com movimento ..........................................................................37 3.2.2 Extração da borda do ventrículo esquerdo utilizando a informação de estimação de movimento para calcular a borda do quadro seguinte ...........39 3.2.2.1 Procedimentos para extração do contorno ...................................40 3.3 SUMÁRIO .......................................................................................................43. 4. RESULTADOS E DISCUSSÕES ....................................................... 44 4.1 INTRODUÇÃO ...............................................................................................44 4.2 CLASSIFICAÇÃO DAS IMAGENS ..............................................................44 4.3 AVALIAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO ...............................44 4.3.1 Análise das falhas encontradas .................................................................47 4.3.2 Medidas de avaliação de desempenho ......................................................49 4.3.2.1 Resultados para o método da extração da borda com detecção e rejeição de quadros com movimento através do fluxo óptico .......50 4.3.2.2 Resultados para o método da extração da borda com detecção e rejeição de quadros com movimento através de subtração de quadros .......................................................................................52 4.3.2.3 Resultados para o método da extração da borda sem detecção e rejeição de quadros com movimento ...........................................53 4.3.2.4 Resultados para o método da extração da borda utilizando a informação de estimação de movimento para calcular a borda do quadro seguinte ..........................................................................55 4.4 SUMÁRIO .......................................................................................................58. 5. CONCLUSÕES ................................................................................... 60 5.1 PROPOSTAS PARA TRABALHOS FUTUROS ..........................................61. REFERÊNCIAS BIBLIOGRÁFICAS ..................................................... 62. viii.

(8) APÊNDICES A FUNDAMENTOS TEÓRICOS .......................................................... 71 A1 CORAÇÃO ......................................................................................................71 A2 ECOCARDIOGRAFIA ...................................................................................81 A3 PADRÃO DICOM ...........................................................................................90. B TÉCNICAS DE PROCESSAMENTO DE IMAGENS ...................... 94 B1 IMAGEM DIGITAL .......................................................................................94 B2 SEGMENTAÇÃO DE IMAGENS ..................................................................97 B3 MORFOLOGIA MATEMÁTICA BINÁRIA............................................... 101 B4 MORFOLOGIA MATEMÁTICA PARA NÍVEIS DE CINZA ................... 106 B5 ESTIMAÇÃO DE MOVIMENTO ................................................................ 108. ix.

(9) LISTA DE TABELAS Tabela 4.1. Índice de Correlação e Diferença de área sobre o perímetro (AP) entre a segmentação manual e semi-automática. .....................................................50. Tabela 4.2. Erro Percentual e Erro Soma entre a segmentação manual e semi-automática. .......................................................................................51. Tabela 4.3. Índice de Correlação e Diferença de área sobre o perímetro (AP) entre a segmentação manual e semi-automática. .....................................................52. Tabela 4.4. Erro Percentual e Erro Soma entre a segmentação manual e semi-automática. ........................................................................................52. Tabela 4.5. Índice de Correlação e Diferença de área sobre o perímetro (AP) entre a segmentação manual e semi-automática. .....................................................54. Tabela 4.6. Erro Percentual e Erro Soma entre a segmentação manual e semi-automática. ........................................................................................54. Tabela 4.7. Índice de Correlação e Diferença de área sobre o perímetro (AP) entre a segmentação manual e semi-automática. .....................................................55. Tabela 4.8. Erro Percentual e Erro Soma entre a segmentação manual e semi-automática. .........................................................................................56. Tabela 4.9. Comparação de Indicadores. .......................................................................58. x.

(10) LISTA DE FIGURAS Figura 2.1. Diagrama de blocos para um sistema computacional para a detecção do contorno do ventrículo esquerdo..................................................................10. Figura 2.2. Estrutura do algoritmo ................................................................................14. Figura 2.3. Esboço da distância entre os pixels dos i-ésimos contornos manual e automático...................................................................................................22. Figura 3.1. Diagrama de blocos do algoritmo de segmentação.......................................27. Figura 3.2. Divisão do vídeo em conjuntos de quadros ..................................................28. Figura 3.3. Estimação do fluxo óptico entre dois quadros consecutivos .........................28. Figura 3.4. Resultado do processo de redução de ruído..................................................29. Figura 3.5. Filtragem de auto-reforço ............................................................................31. Figura 3.6. Fechamento morfológico em escala de cinza ...............................................31. Figura 3.7. Histogramas ................................................................................................33. Figura 3.8. Imagem binarizada ......................................................................................33. Figura 3.9. Etapas do processo de extração do Contorno ..............................................34. Figura 3.10 Região da cavidade ventricular esquerda .....................................................34 Figura 3.11 Segmentação ...............................................................................................35 Figura 3.12 Etapas do ciclo cardíaco na CVA gerada. ....................................................36 Figura 3.13 Extração da borda do ventrículo esquerdo....................................................37 Figura 3.14 Divisão do vídeo em conjuntos de quadros ..................................................38 Figura 3.15 Extração da borda do ventrículo esquerdo....................................................38 Figura 3.16 Visualização dos saltos que o método apresenta no momento de extrair a borda em comparação com os métodos anteriores........................................38 Figura 3.17 Contornos obtidos por estimação de movimento ..........................................41 Figura 3.18 Exemplos de extração da borda para estimação de movimento.....................42 Figura 4.1. Segmentações manuais e semi-automáticas. ................................................46. Figura 4.2. Falhas de segmentação em imagens de qualidade média. .............................47. Figura 4.3. Falhas de segmentação em imagens de baixa qualidade ...............................48. Figura 4.4. Outro tipo de falha de segmentação em imagens de qualidade média...........49. Figura 4.5. Correção automática de falhas na CVA........................................................49. Figura 4.6. Segmentações manuais e semi-automáticas .................................................51. Figura 4.7. Segmentações manuais e semi-automáticas .................................................53. Figura 4.8. Segmentações manuais e semi-automáticas .................................................55 xi.

(11) Figura 4.9. Segmentações manuais e semi-automáticas .................................................56. Figura A.1 O coração em corte de quatro câmaras. .......................................................73 Figura A.2 Esquema das quatro cavidades do coração humano......................................74 Figura A.3. Fluxo sanguíneo no coração e nos grandes vasos, durante o ciclo cardíaco 77. Figura A.4 Eventos do ciclo cardíaco mostrando a onda P, complexo QRS e onda T ....78 Figura A.5 Método de Simpson.....................................................................................80 Figura A.6 Ecocardiografia modo M .............................................................................83 Figura A.7 Planos ecocardiográficos .............................................................................84 Figura A.8 Cortes do coração ........................................................................................85 Figura A.9 Cortes do coração ........................................................................................86 Figura A.10 Ecocardiografia Doppler em Cores ..............................................................88 Figura A.11 Duas das quatro posições padronizadas para colocar o transdutor transtorácico................................................................................................89 Figura B.1. Representação de imagens digitais...............................................................95. Figura B.2. Representação de imagens digitais...............................................................96. Figura B.3. Exemplos de elementos estruturantes......................................................... 102. Figura B.4. Efeitos da dilatação e erosão binárias......................................................... 103. Figura B.5. Exemplos de Abertura e fechamento.......................................................... 104. Figura B.6. Esqueletização através de uma operação de afinamento ............................. 106. Figura B.7. Abertura e fechamento morfológicos em imagens de níveis de cinza. ........ 108. Figura B.8. Exemplo de estimação de movimento........................................................ 109. Figura B.9. Exemplo de dois quadros diferentes, atual e anterior, respectivamente....... 110. Figura B.10 Exemplo da procura por pixel entre dois quadros....................................... 111 Figura B.11 Exemplo de dois quadros explicitando os pixels e macroblocos ................. 112 Figura B.12 Procura de macroblocos em vizinhança N4................................................ 112 Figura B.13 Exemplo de busca diamante....................................................................... 113 Figura B.14 Resultado da busca diamante. .................................................................... 114. xii.

(12) 1 - INTRODUÇÃO O interesse em métodos de processamento de imagens digitais decorre de duas áreas principais de aplicação: melhoria de informação visual para a interpretação humana e o processamento de dados de cenas para percepção automática através de máquinas (Gonzalez, 2002). De acordo com a literatura as primeiras aplicações de técnicas de processamento de imagens foram no início dos anos 20, e devido ao rápido crescimento desta área, hoje encontra se aplicações destas técnicas na medicina, biologia, astronomia, automação industrial, engenharia, apoio da lei, defesa, etc. Seqüências de imagens bidimensionais obtidas de quase todas as modalidades de aquisição de imagens cardíacas vêm sendo utilizadas com o objetivo de investigar e diagnosticar diferentes doenças cardíacas. Em particular, o uso de imagens apicais de eixo curto é importante para detectar as funções globais e locais do coração. Devido à grande importância do ventrículo esquerdo, torna-se fundamental o desenvolvimento de técnicas que avaliem a função ventricular esquerda, como a ecocardiografia bidimensional. Antes desta técnica, a avaliação da função ventricular esquerda utilizava medidas de ecocardiograma unidimensional. Com o desenvolvimento da técnica ecocardiográfica bidimensional, este exame tornou-se essencial na avaliação da função ventricular esquerda (Pisa, 1999). Um médico pode avaliar a função cardíaca observando o movimento das estruturas do coração em tempo real.. Para quantificar as estruturas cardíacas usando técnicas de. processamento de imagens, é necessária a identificação das bordas. A detecção da borda do ventrículo esquerdo fornece uma maneira para medir áreas cardíacas, volumes e movimentação, que ajuda no reconhecimento e avaliação de doenças cardiovasculares em pacientes (Choy, 1996). Algumas doenças são caracterizadas pelo deslocamento de certas estruturas do coração, ou quando as mesmas apresentam tamanho ou forma anormal (Siqueira, 2002). Assim, parâmetros como a fração de ejeção derivada da medida do volume provaram ter um valor clínico importante na avaliação do desempenho cardíaco. Importante ressaltar que a confiança da estimação da fração de ejeção depende da precisão da medida do volume, a qual depende da precisão da detecção da borda.. 1.

(13) Para obter a função ventricular, é muito importante a segmentação exata dos contornos do epicárdio e do endocárdio. No caso específico de sucessões de imagens de ecocardiografia, a segmentação pode ajudar um não-especialista a descobrir e diagnosticar problemas cardíacos, e definir melhor as estruturas importantes que não são facilmente visíveis na imagem original. Entre as áreas de pesquisa em imagens médicas, se destaca a segmentação de órgãos e estruturas cardíacas pela presença intensa e dinâmica desta técnica na atualidade. Segmentar significa fracionar ou dividir um objeto em várias partes. Em processamento de imagens, segmentação é definida como um método computacional que divide uma imagem de entrada em partes ou objetos constituintes, usando atributos como forma, textura, cor e movimento, entre outros (Gonzalez, 2002). Assim, com a segmentação é possível identificar em uma imagem regiões cujas propriedades são semelhantes, seguindo critérios estabelecidos. As imagens segmentadas são mais fáceis de trabalhar, porque elas são versões simplificadas das originais que preservam as características principais. Além disso, através das imagens segmentadas é possível obter medidas automáticas como distâncias, áreas e volumes. Os métodos para segmentação do ventrículo esquerdo são classificados em interativos, semi-automáticos e automáticos. No primeiro caso, o processo manual é considerado uma tarefa tediosa que consome muito tempo além de ser subjetivo, isto é, especialistas diferentes não segmentarão igualmente a mesma imagem. No segundo caso também existe a necessidade de interferência humana para completar a segmentação. Já os métodos automáticos, realizam a segmentação de forma independente, tendo como vantagem a velocidade de processamento em relação aos outros métodos. A tecnologia do ultra-som transformou-se em uma importante ferramenta diagnóstica na cardiologia moderna, apesar das imagens de ecocardiografia geradas a partir de ultrasonografia apresentarem alguns pontos negativos como: resolução espacial muito baixa, um alto nível de ruído speckle, pouca nitidez e definição precária das bordas. Sendo que este ruído corrompe as estruturas anatômicas das bordas, tornando difícil a tarefa de executar a segmentação. Existem também outras formas diferentes de aquisição de imagens das estruturas cardíacas como: angiografia digital, tomografia computadorizada, imagem de medicina nuclear e ressonância magnética.. 2.

(14) 1.1. REVISÃO DA BIBLIOGRAFIA. Atualmente, existem muitos métodos de segmentar o ventrículo esquerdo. Alguns trabalhos se destacam pelo uso de imagens tridimensionais e outros já se preocupam com o espaço bidimensional. No primeiro caso, o objetivo dos autores é obter o volume do ventrículo esquerdo. Alguns trabalhos obtiveram a reconstrução e o volume do ventrículo esquerdo através da segmentação no espaço 3D utilizando imagens de ecocardiografia, que envolve o modelo de Snakes e segmentação baseada em superfícies deformáveis (Bosnjak, 2001) (Montagnat, 1999). Já em (Winterfeldt, 1998) para obter a reconstrução no espaço tridimensional foi utilizado um algoritmo de combinação entre o modelo de contorno ativo (Snakes) e métodos para calcular o movimento ventricular entre dois quadros. Há também outros trabalhos que focalizaram imagens tridimensionais, porém utilizaram imagens originadas de tomografia computadorizada ou ressonância magnética (Garcia-Panyella, 2002) (Pohle, 2004) (Mitchell, 2002). Em se tratando de imagens bidimensionais, encontra-se uma vasta quantidade de trabalhos que se basearam em morfologia matemática, por ser um campo ativo de pesquisa em processamento de imagens. Neste contexto, podemos citar o trabalho (Klinger, 1988) onde a morfologia matemática foi utilizada para reduzir os efeitos da variação de escala e do ângulo de fundo inerentes à ecocardiografia. E, após a filtragem morfológica, a borda do endocárdio foi extraída com métodos tradicionais de segmentação. Há também autores que combinaram a morfologia com outras técnicas, como Choy e seus colaboradores que utilizaram a análise morfológica da imagem com o operador derivativo de segunda ordem (Laplaciano da Gaussiana) para detectar de maneira semi-automática a borda. Neste método utilizou-se também a filtragem morfológica para reduzir o ruído e melhorar o contraste da imagem (Choy, 1996). Outra combinação ocorreu entre a morfologia matemática e a informação temporal para melhorar a exatidão do contorno (Choy, 1998). Outros trabalhos relacionados propuseram métodos que utilizavam morfologia direcional que é executada somente nas partes interessantes da imagem e morfologia matemática aplicada a segmentação de movimento (Yang, 1995) (Lara, 2006). Em (Hamarneh, 2000) foi apresentado um método para segmentar o ventrículo esquerdo que é baseado nos princípios do modelo de forma ativo ASM (Active Shape Models) e do 3.

(15) modelo de contorno ativo ACM (Active Contour Models), sendo que este último modelo é um exemplo de uma técnica de ajuste de um contorno deformável a bordas de uma imagem através de minimização local de energia (Hamarneh, 2000) (Chalana, 1996). Há várias outras pesquisas sobre contornos deformáveis. Em (Pisa, 1999) é apresentado um método de análise e de aplicabilidade do modelo de contorno ativo (Snakes) com Color Kinesis para melhor representar o contorno da parede do ventrículo esquerdo. Em trabalhos mais recentes, foi proposto um novo algoritmo chamado “Snakes direcional multiescala” para segmentar imagens de ecocardiografia. Operações morfológicas foram utilizadas para encontrar a região de interesse e o ponto central do ventrículo esquerdo, além disso, um mapa direcional da borda foi introduzido para melhorar o desempenho do Snakes (Cheng, 2004). Também existem estudos que realizam a extração da borda mediante a técnica de segmentação watershed, a qual funciona assumindo cada mínimo local da imagem de ecocardiografia (em termos de intensidade em níveis de cinza) como um buraco. Assim, a imagem é dividida em bacias com níveis de intensidade similares. Logo, é aplicado um processo de redução dos mínimos locais para evitar a supersegmentação, sendo que a maior bacia representa a cavidade, e através do uso do gradiente morfológico a borda é extraída (Andrade, 2006) (Andrade, 2004). Outros trabalhos utilizam a segmentação watershed para determinar a região de interesse e o ponto central do ventrículo esquerdo (Cheng, 2005) (Cheng, 2006). Neste caso, a técnica de watershed é aplicada juntamente com operações morfológicas para localizar a região que contém o ventrículo esquerdo, sendo que em seguida a borda é extraída usando Snakes. Pesquisadores também estudaram técnicas de pré-processamento como minimização do ruído e aumento do contraste, para melhorar a qualidade da imagem antes de segmentá-la. Dentro destas pesquisas, além dos métodos citados anteriormente como a filtragem morfológica, ressaltamos o trabalho de (Andrade, 2006), que utilizou a transformada discreta de wavelets (DWT) para a redução do ruído speckle, e elevou o contraste da imagem utilizando um operador derivativo de segunda ordem Laplaciano da Gaussiana (LoG). Outra técnica utilizada é o uso do filtro de promediação como parte do préprocessamento, chamado também de média temporal de quadros sucessivos do mesmo ciclo cardíaco (Macchiavello, 2004). As pesquisas (Kang, 1998) (Kang, 2002) também. 4.

(16) utilizaram a filtragem wavelets para reduzir o ruído speckle presente em imagens de ultrasom. No trabalho (Macan, 2001) foi utilizada uma abordagem diferente para segmentação. Ele se fundamentou no movimento ventricular, pois durante o ciclo cardíaco cada ponto da superfície cardíaca se move seguindo uma trajetória específica, devido à contração e expansão do tecido do coração. Sendo assim, primeiramente ele detectou o movimento do ventrículo esquerdo através de um método híbrido calculando o fluxo óptico, em seguida esta informação de movimento foi introduzida para realizar a segmentação e finalmente os pontos característicos ao longo da borda segmentada são detectados combinando propriedades de formato entre dois quadros consecutivos (Macan, 2001). Há outras técnicas de segmentação presentes na literatura como a segmentação de imagens de ecocardiografia de fetos humanos (Piccoli, 1999), que utilizou redes neurais para a segmentação. Outros métodos interessantes são a detecção da borda baseada na diferença atenuada das taxas de sangue e tecido no miocárdio (Hammoud, 1997), e identificação e localização automática das papilas musculares do ventrículo esquerdo (Karras, 1996). Para uma melhor compreensão das contribuições destas técnicas de extração do contorno do ventrículo esquerdo, no Capítulo 2 serão apresentados detalhadamente alguns métodos já desenvolvidos nesta área. 1.2. OBJETIVOS. Este trabalho tem como objetivo a elaboração de quatro métodos de segmentação do ventrículo esquerdo em imagens de ecocardiografia bidimensional de eixo curto, que permitam a obtenção de parâmetros clínicos utilizados no diagnóstico de diversas patologias cardíacas. Listamos a seguir os objetivos específicos desta pesquisa:. •. Detecção semi-automática da borda através de quatro métodos de segmentação do ventrículo esquerdo em imagens de ecocardiografia bidimensional divididos em dois grupos: métodos de segmentação do ventrículo esquerdo com detecção e rejeição de quadros com movimento e. 5.

(17) métodos de segmentação do ventrículo esquerdo sem detecção e rejeição de quadros com movimento.. •. Comparar os resultados obtidos do método proposto com os demais métodos estudados, com a finalidade de obter resultados superiores.. •. Eliminar as variações inter e intra-observador presentes no processo manual de segmentação.. •. Obter a curva de variação de área do ventrículo esquerdo durante o ciclo cardíaco completo através de um processo não invasivo, permitindo a visualização das diferentes etapas do ciclo e obter a fração de variação de área.. 1.3. ESTRUTURA DO DOCUMENTO. Este trabalho se divide em cinco capítulos. No primeiro capítulo foram apresentados os motivos que levaram a pesquisa e sua contextualização. No capítulo 2 é apresentado um resumo sobre as técnicas desenvolvidas para a extração do contorno do ventrículo esquerdo, ressaltando os métodos clássicos que se destacam na literatura e os que foram utilizados como referência para o presente estudo. O capítulo 3 apresenta o modelo proposto. São descritos todos os algoritmos aplicados e desenvolvidos para geração do método computacional de segmentação. A análise dos resultados experimentais obtidos é apresentada no capítulo 4. O capitulo 5 se destina às conclusões do trabalho, sugestões e recomendações de trabalhos futuros dele decorrentes. No apêndice A serão apresentados os conceitos básicos de fisiologia e estrutura do coração humano, as principais tecnologias para aquisição de imagens médicas, tendo como foco os. 6.

(18) princípios básicos da ecocardiografia bidimensional e uma introdução sobre o formato DICOM (Digital Imaging Communications in Medicine). O apêndice B apresenta as características das imagens digitais, os conceitos de segmentação de imagens, morfologia matemática binária, morfologia matemática para níveis de cinza e estimação de movimento.. 7.

(19) 2 - MÉTODOS DE SEGMENTAÇÃO AUTOMÁTICA DO VENTRÍCULO ESQUERDO Este capítulo está destinado a apresentar um resumo das técnicas de extração do contorno do ventrículo esquerdo, as quais se destacam dentro da literatura e servem como referência para o presente trabalho. Mostraremos o modelo clássico de um sistema computacional de segmentação de estruturas cardíacas e analisaremos cada uma das etapas. 2.1 - MÉTODOS DE DETECÇÃO DO CONTORNO DO VENTRÍCULO ESQUERDO Doenças em órgãos complexos como o coração requerem ferramentas de análise adequadas para o diagnóstico, a terapia e o acompanhamento do paciente. Por exemplo, avaliar o miocárdio para decidir a terapia mais apropriada implica, em um cenário ideal, na visualização da dinâmica das paredes musculares cardíacas, assim como a quantificação da movimentação e da força de contração regional das mesmas (Garrido, 1998). A qualidade da visualização, manipulação e análise de estruturas médicas em diversas situações dependem dramaticamente da qualidade da segmentação e classificação (Brummer, 1993) dos dados. Devido a este fato e à dificuldade de se obter uma solução geral e robusta, a segmentação e classificação continuam sendo áreas de intensa pesquisa em processamento de imagens médicas (Collins, 1992) (Brummer, 1993) (Kapur, 1996). A caracterização dos elementos da imagem depende de vários fatores, entre os quais podem ser citados como os mais importantes: modalidade do equipamento, órgão, contraste, resolução, relação sinal-ruído, espessura do corte e uniformidade de intensidade na imagem (Garrido, 1998). Neste contexto, a detecção de contornos do ventrículo esquerdo em imagens médicas constitui-se em um problema relativamente complexo. Abaixo, encontra-se alguns dos vários fatores que contribuem para esta complexidade (Costa Filho, 1999):. 8.

(20) •. Os ventrículos diferem significativamente de paciente para paciente, quanto ao tamanho, forma e orientação.. •. Devido ao baixo contraste em algumas regiões, a borda do ventrículo esquerdo pode não ser detectável visualmente nessas regiões. Em imagens de tomografia computadorizada de raios X, por exemplo, com 256 níveis de cinza, a diferença de intensidade entre o sangue e a parede do ventrículo é da ordem de apenas 7-10 níveis em imagens de boa qualidade e 3-5 níveis na maioria das imagens (Taratorin, 1993).. •. O ruído na imagem pode ter a mesma amplitude do contraste da borda, dificultando a localização. O problema de ruído é particularmente grave em imagens de ultra-som, devido à reverberação e espalhamento da onda de ultrasom, quando a mesma colide com estruturas dos tecidos com dimensões próximas da resolução axial do aparelho (Fish, 1990).. •. A intensidade com que o músculo papilar e órgãos sobrepostos ao ventrículo aparecem na imagem é da mesma ordem que a intensidade da parede do mesmo, dificultando a localização da borda nestas regiões.. Há outros fatores que dificultam o processo de segmentação neste tipo de aplicação. A intensidade em cada pixel nas imagens não depende apenas do tipo de tecido, mas também da velocidade do sangue que flui na região, um fator que contribui para que haja diferenças de intensidade em uma mesma estrutura. É comum também a existência de diferentes estruturas descritas por pixels de intensidades muito semelhantes. As imagens podem ainda conter interferências causadas pela movimentação do paciente no momento da aquisição do exame, muitas vezes ocorrendo também ruídos decorrentes do processo de aquisição (Rondina, 2002). De acordo com (Costa Filho, 1999), devido aos motivos anteriormente expostos, uma abordagem simples, baseada apenas em técnicas convencionais de detecção de borda, não é suficiente para a segmentação 2D do ventrículo esquerdo. A Figura 2.1 mostra um modelo clássico para a segmentação do ventrículo.. 9.

(21) 2.1.1 - Modelo de visão computacional para a detecção do contorno do ventrículo esquerdo Sistemas de visão computacional utilizados para a segmentação 2D do ventrículo esquerdo podem ser representados pelo modelo mostrado na Figura 2.1 (Costa Filho, 1999).. Figura 2.1 -. Diagrama de blocos de um sistema de visão computacional para a detecção de contornos do ventrículo esquerdo (Costa Filho, 1999).. O primeiro passo após a obtenção da imagem digital, é o pré-processamento da imagem. A função chave do pré-processamento é melhorar a imagem de forma a aumentar as chances para o sucesso dos processos seguintes. Tipicamente, as técnicas que envolvem o préprocessamento são: realce de contraste, aumento do tamanho da imagem através de interpolação, redução de ruído e isolamento de regiões cuja textura indique a probabilidade de informação alfanumérica (Gonzalez, 2002). O pré-processamento destina-se a uma simplificação das imagens, reduzindo o ruído existente nestas, buscando assim facilitar a segmentação. Na segunda fase do diagrama, a extração de parâmetros, é realizada através de técnicas clássicas de processamento de imagem. O objetivo é extrair parâmetros espaciais ou temporais, que caracterizem a borda do ventrículo. As operações espaciais mais freqüentemente utilizadas para extração de parâmetros são: aplicação do gradiente, aplicação do limiar, obtenção dos cruzamentos por zero resultante da aplicação do Laplaciano e determinação do centro do ventrículo esquerdo. A etapa de classificação e de pós-processamento agrupam as informações extraídas anteriormente com o objetivo de localizar a borda do ventrículo esquerdo. Em geral, procura-se identificar pixels isolados ou conjuntos de pixels com maior probabilidade de pertencerem a borda do ventrículo esquerdo. Alguns métodos não dependem. 10.

(22) exclusivamente de informações locais derivadas da intensidade do pixel, é preciso uma estratégia de decisão baseada em informações globais para compensar a baixa taxa sinalruído presente nas imagens do ventrículo esquerdo. Essas informações globais podem constituir-se, por exemplo, de um conhecimento prévio dos parâmetros geométricos e/ou anatômicos do ventrículo esquerdo. No diagrama da Figura 2.1 esse conhecimento prévio é representado através de um bloco que fornece informações para as etapas de classificação e pós-processamento. 2.1.2 - Exemplo Clássico Um artigo clássico que exemplifica o sistema de visão computacional mostrado na Figura 2.1 foi apresentado por (Ezekiel, 1985). O objetivo deste é a obtenção da borda do endocárdio em imagens de ecocardiografia. O algoritmo de detecção de bordas utilizado pelo autor engloba as três etapas apresentadas na Figura 2.1. Na etapa de préprocessamento, com o objetivo de aumentar a precisão estatística de cada pixel, as imagens são suavizadas de forma espacial e temporal. A suavização temporal é efetuada substituindo-se cada pixel por uma média dele mesmo e dos pixels situados na mesma coordenada cartesiana um quadro à frente e um quadro atrás no ciclo cardíaco, em um processo não recursivo. A suavização espacial é obtida substituindo- se cada pixel por uma média ponderada dos oito pixels vizinhos. Assim, a suavização espaço-tempo substitui cada pixel por uma média dele mesmo e de 26 outros pixels. Na etapa de extração de parâmetros, o centro do ventrículo esquerdo é determinado utilizando-se informações de histogramas de amplitude. Após a determinação do centro, subtrai-se de toda a imagem um nível de cinza correspondente ao valor de uma máscara de 3x3 pixels localizada sobre o centro. A idéia explorada é que na região do centro espera-se um nível de cinza de valor zero. Assim, qualquer nível de cinza na região do centro é interpretado como ruído e assume-se que pode estar presente em toda a imagem. Devido ao fato dos pixels da borda do endocárdio serem caracterizados por uma baixa intensidade e os pixels externos terem uma intensidade maior, os autores extraem os pixels de borda associando o operador Laplaciano à amplitude do pixel. Os pixels da borda do endocárdio são identificados através de uma procura radial utilizando 32 raios igualmente espaçados. As regiões da borda do endocárdio ao longo de 11.

(23) um raio são caracterizadas por apresentarem uma alta inclinação positiva no gráfico da amplitude versus raio, combinada com um cruzamento por zero resultante da aplicação do Laplaciano. Com o objetivo de identificarem falsos pixels de borda ao longo de um raio, os autores calculam, para cada pixel de borda identificado, uma função de custo. Essa função de custo considera a semelhança entre as características de um pixel de borda e as características dos pixels de borda situados proximamente. Os termos da função de custo comparam os valores de distância radial, intensidade de pixel e valor do Laplaciano de um pixel de borda com os valores dos seus vizinhos. Pixels de borda com valores similares aos de seus vizinhos têm um baixo valor para a função de custo e uma alta probabilidade de pertencerem à borda do ventrículo esquerdo. Após a identificação do pixel de borda “mais provável” em cada um dos 32 raios, os autores, com o objetivo de dobrarem o número de pixels do contorno (de 32 para 64), utilizam interpolação linear através de polinômios cúbicos. A borda do endocárdio é então determinada unindo-se os 64 pixels de borda. Os autores não comparam os contornos obtidos automaticamente com contornos traçados manualmente. 2.1.3 - Classificação dos métodos de detecção do contorno Como visto anteriormente, os algoritmos de segmentação podem ser classificados como manuais, semi-automáticos e automáticos. Os métodos manuais datam da década de 70 e são efetuados inteiramente por um operador humano. Desta época há o trabalho de (Alderman, 1973), no qual as imagens são gravadas num vídeo disco com uma capacidade de 400 quadros, numa taxa de 15 quadros/segundo. O monitor de vídeo mostra as imagens dinamicamente ou estaticamente. Os contornos do ventrículo esquerdo são extraídos utilizando-se uma caneta ótica na tela do monitor de vídeo. A partir deste contorno, um programa faz a estimativa da área e do volume. A grande vantagem do método proposto, de acordo com os autores, é que com o vídeo disco as imagens não precisavam mais ser gravadas em filme o que permitia uma análise da imagem logo após a sua obtenção. A ênfase destes primeiros trabalhos é mais na descrição do equipamento em si do que no método de detecção do contorno. Nos algoritmos de segmentação semi-automáticos, o operador humano fornece apenas pontos característicos da estrutura a ser segmentada ou delimita uma região onde a mesma. 12.

(24) é encontrada. Os métodos semi-automáticos dependem de uma interação com o operador. Esta interação com o operador pode ser de três tipos:. •. O operador traça o contorno manualmente na diástole e o método detecta o contorno nos outros instantes do ciclo cardíaco, utilizando o contorno inicial como referência (Adam, 1987); o operador identifica pixels característicos na imagem, como o centro do ventrículo esquerdo e a posição das válvulas mitral e aórtica. (Fleagle, 1991) (Lilly, 1989).. •. O operador delimita uma área de procura do contorno do ventrículo esquerdo (Clayton, 1974) ou seleciona um limiar ótimo para segmentação do ventrículo esquerdo (Yang, 1994).. Todas essas interações introduzem um certo grau de subjetividade na determinação do contorno do ventrículo esquerdo, que levam necessariamente a uma dependência do operador e, portanto a uma variação intra e inter-observador. Na segmentação automática, a intervenção do operador humano é reservada apenas a eventuais correções da segmentação obtida através de um algoritmo automático (Costa filho, 1999). Nos últimos anos, observa-se um grande esforço no sentido de obter métodos automáticos. Pois, embora o método manual seja o mais robusto, ele é tedioso, demorado e apresenta grande variabilidade intra e inter-observador (Thedens, 1995). Além disso, a extração manual consome tempo, limitando a quantidade de dados que pode ser processada. Neste contexto, a utilização de técnicas automatizadas de análise de imagens apresenta potencial para o auxílio do processo de segmentação. Segundo (Ranganath, 1995), através dos ganhos em tempo e precisão torna-se possível a caracterização do coração ao longo de todo o ciclo, ao invés de apenas nas fases de sístole e diástole, como é realizado em alguns casos quando os contornos são desenhados manualmente. Porém, devido à necessidade de exatidão normalmente necessária no campo de análises de imagens médicas e às características das imagens, a segmentação de forma totalmente automática tem também apresentado dificuldades. Segundo (Higgins, 1996), sistemas de segmentação automática são geralmente aplicados a domínios bastante restritos ou requerem do usuário um certo 13.

(25) conhecimento em processamento de imagens para a escolha dos procedimentos apropriados a cada caso (Rondina, 2002). Como exemplo dos métodos semi-automático e automático, podemos ressaltar o trabalho de (Macchiavello, 2004). Na primeira fase de seu trabalho, a detecção da borda em imagens estáticas foi realizada totalmente automática sem a intervenção do operador. O método desenvolvido trata o ruído no domínio da transformada de wavelet, e eleva o contraste da imagem utilizando um operador derivativo de segunda ordem, o Laplaciano da Gaussiana (LoG), que também é usado para suavizar a imagem fechando falsas regiões de alta densidade dentro da cavidade cardíaca. A segmentação é realizada com a utilização da técnica de watershed, que funciona assumindo cada mínimo local da imagem de ecocardiografia (em termos de intensidade em níveis de cinza) como um buraco, logo é aplicado um processo de redução dos mínimos locais para evitar a supersegmentação. Assim, a imagem é dividida em bacias com níveis de intensidade similares, sendo que a maior bacia representa a cavidade. Por fim, uma máscara é gerada para evitar que as paredes da cavidade ventricular façam parte da região segmentada, e finalmente mediante o uso do gradiente morfológico é realizada a extração das bordas da câmara cardíaca. A estrutura descrita é mostrada na Figura 2.2.. Figura 2.2: Estrutura do Algoritmo. (Macchiavello, 2004). Em uma segunda fase do trabalho, o algoritmo é adaptado para realizar a segmentação no conjunto de imagens sucessivas que conformam um ciclo cardíaco completo. Assim, utilizando a informação temporal modificou-se o estágio de pré-processamento. No estágio de processamento final, a primeira etapa corresponde a uma intervenção humana caracterizada pela localização de uma “barragem” entre o átrio esquerdo e o ventrículo. 14.

(26) esquerdo, sobre toda a extensão da válvula mitral, tornando o algoritmo semi-automático. Esta intervenção é feita uma única vez na primeira imagem pré-processada. A localização da barragem é necessária já que no final do processo de sístole ocorre a abertura da válvula mitral, para permitir a passagem de sangue entre o ventrículo e o átrio. Sendo assim, o algoritmo segmentaria conjuntamente parte do átrio durante a função diastólica. Para os quadros seguintes a localização da barragem é automática e acompanha a válvula mitral. Depois da segmentação a área ventricular esquerda é calculada gerando a Curva de Variação de Área do ventrículo durante um ciclo cardíaco. Esta curva permite que uma avaliação da dinâmica cardiovascular sistólica e diastólica seja realizada, além da obtenção de parâmetros clínicos importantes tal como a Fração de Variação de Área. Para os testes do algoritmo foram utilizadas 25 imagens de ecocardiogramas bidimensionais de pacientes atendidos no serviço de ecocardiografia do Hospital Universitário de Brasília e a avaliação foi considerada muito positiva. Outro método semi-automático presente na literatura é o trabalho de (Klingler, 1988), que detecta o contorno do ventrículo esquerdo utilizando morfologia matemática e métodos tradicionais de segmentação. Primeiramente, Klinger e colaboradores detectam o movimento em um conjunto de dez quadros originais consecutivos utilizando a técnica de registro de imagens baseada em subtração de interframe digital. Os quadros que exibiam maior movimento foram removidos, resultando em um conjunto de cinco a dez quadros restantes. Em seguida, calculou-se a média dos quadros restantes para cada posição do pixel. Um filtro morfológico foi aplicado na média para identificar a variação do fundo da imagem. Este filtro consiste de uma abertura em escala de cinza com o elemento estruturante “flat” em forma de um hexágono com um raio de 20 pixels. Pontos da superfície da imagem menores que o hexágono foram removidos pelo processo de filtragem, deixando o fundo da imagem variando lentamente. Esta imagem foi subtraída da original pixel a pixel, produzindo uma imagem da diferença que retivesse a informação da borda. A imagem diferença contém quase nenhuma informação nas regiões de amplitude de baixo sinal presente na imagem original. Para reduzir o impacto destas áreas da saída na segmentação final, aplicou-se a operação fechamento em níveis de cinza com um elemento estruturante em forma de um hexágono com raio de 10 pixels sendo pequeno bastante para manter o detalhe do contorno do ventrículo esquerdo e grande o bastante para unir pequenas quebras na imagem. Um limiar fixo foi aplicado em todas as imagens do estudo, resultando em uma definição aceitável da borda, mas com o contorno 15.

(27) incompleto em algumas regiões. Em seguida a imagem binária foi dilatada iterativamente por um elemento estruturante unitário até ocorrer a conexão entre regiões independentes, sendo que o número de dilatações variou de 0 a 8 dependendo do tamanho da região de saída. Então, a imagem dilatada foi afinada para produzir o contorno estimado do ventrículo esquerdo. A operação de afinamento foi aplicada uma vez a mais do que o número de dilatações e um operador lógico OU foi aplicado entre a imagem afinada e a imagem binária original. Esta operação preencheu quebras no contorno e manteve todos os objetos da imagem em seus tamanhos originais. A borda final do ventrículo esquerdo foi identificada como a borda interna do contorno fechado. Este procedimento, baseado em operações da vizinhança, primeiramente enche uma região fechada e extrai então sua borda exterior como aqueles pixels que têm um pixel vizinho do fundo com conectividadede-4. Este processo extraiu de cada quadro uma única borda que representa a borda do ventrículo esquerdo. Para este estudo foram utilizadas imagens de ecocardiografia de eixo curto de sete caninos com isquemia. Os contornos obtidos deste método semi-automático se correlacionam bem com os contornos traçados manualmente por especialistas. A presente pesquisa utilizou este trabalho como referência. O trabalho de (Choy, 1996) também é um método semi-automático. A detecção da borda é realizada através da combinação de técnicas morfológicas com o operador derivativo de segunda ordem (Laplaciano da Gaussiana), com o objetivo de reduzir o ruído e extrair a borda endocardial do ventrículo esquerdo em imagens de ecocardiografia. Neste caso, a segmentação é feita mediante a comparação entre o cruzamento por zero e o contorno da maior bacia determinada pela técnica de watershed, a qual segmenta a imagem gerando bacias a partir de mínimos locais (Gonzalez, 2002). A utilização da técnica de watershed é possível devido a um pré-processamento de mudança homotópica na imagem para evitar a supersegmentação. A mudança homotópica constitui na diminuição da quantidade de mínimos locais presentes na imagem (Gonzalez, 2002). O método é semi-automático pois o usuário deve escolher um limiar ótimo para realizar a mudança homotópica. Ainda em 1996, Laine desenvolveu um algoritmo para identificação da borda endocardial e epicardial do ventrículo esquerdo em imagens de ecocardiografia bidimensional de eixo curto. Este algoritmo é dividido em quatro etapas. A primeira é a detecção de bordas a partir da transformada wavelet. Em seguida, utilizando como máscara dois semicírculos, é feita uma filtragem para achar tais figuras geométricas na imagem; as bordas com a forma 16.

(28) geométrica mais próxima aos semicírculos são mantidas e as outras são eliminadas. Assim, o centro do ventrículo esquerdo é determinado. A terceira etapa consiste na reconstrução do contorno, preenchendo os buracos mediante um algoritmo de conectividade, analisando os 8 vizinhos de cada pixel do contorno e tendo como base as máscaras inicias. Finalmente, é feita uma suavização do contorno mediante uma filtragem espacial. Vários autores têm utilizado também o cálculo de fluxo óptico. Esta técnica é baseada na análise da dinâmica dos níveis de cinza da seqüência de imagens do objeto de interesse que são utilizadas para estimar os campos de velocidade das paredes do coração. A determinação exata dos parâmetros geométricos do coração, baseada em estimativas dos campos de velocidade, é complexa e nem sempre completa, pois podem existir paredes com baixa movimentação. Algumas características são utilizadas para guiar o processo (Rondina, 2002):. •. conservação dos dados: o atributo intensidade dentro de uma determinada região varia gradualmente através do tempo;. •. coerência espacial: pixels vizinhos têm movimentos similares;. •. coerência temporal: a velocidade de transformação do atributo intensidade é similar para uma determinada região.. Como exemplo desta técnica citamos o trabalho de (Macan, 2001). Ele apresenta um método híbrido para detectar o movimento do ventrículo esquerdo e sua segmentação em uma seqüência de imagens de coração humano. Durante o ciclo cardíaco o ventrículo esquerdo muda sua forma pela contração e expansão do tecido cardíaco, resultando em uma complexa rotação e translação de pontos particulares da superfície do ventrículo esquerdo. Entretanto, cada ponto da superfície cardíaca move com uma trajetória específica dentro do espaço 3D sobre o tempo. A estimação exata da movimentação da parede cardíaca tem mostrado ser um importante estudo em doenças coronárias, como a isquemia. Este método proposto por Macan é dividido em três etapas. A primeira é o cálculo do fluxo óptico sobre a seqüência de imagens utilizando o método baseado em gradiente. Na segunda etapa, os valores estimados do fluxo ótico são combinados com a informação do brilho formando o vetor usado para encontrar a área do ventrículo esquerdo na imagem. A técnica crescimento de região (Apêndice B.2.3) é aplicada nesta etapa para 17.

(29) encontrar o contorno. Finalmente, o algoritmo baseado em forma é usado para estimar o movimento da borda combinando propriedades de formato em dois quadros consecutivos. As estimativas do fluxo ótico para pontos selecionados da borda são usadas como confinamento adicional na segunda execução do algoritmo do fluxo óptico usando o método de ponto-confinado descrito em (Loncaric, 2000). Apenas na década de 90 é que se observa a utilização de técnicas de inteligência artificial, como sistemas fuzzy e redes neurais, para detecção do contorno do ventrículo esquerdo. O método de redes neurais oferece vantagem em relação a algumas técnicas, como por exemplo as técnicas estatísticas supervisionadas. Sendo que nestas últimas, uma estimativa de uma função de densidade de probabilidade é necessária. Supõem que os dados podem ser modelados mediante uma distribuição normal multivariada. A maior vantagem das redes neurais consiste em que estas não fazem nenhuma suposição sobre as funções de densidade de probabilidade, o que poderia melhorar os resultados quando os dados não são provenientes de uma distribuição normal (Garrido, 1998). Alguns trabalhos de segmentação utilizando redes neurais (Amartur, 1992) (Özkan, 1993) exploram a característica multibanda das imagens de ressonância magnética. Antes de detalharmos o próximo trabalho, uma breve explicação sobre a técnica de Snake (ou modelo de contorno ativo) será relatada, para uma melhor compreensão dos trabalhos que utilizam este tipo de técnica. Este método de contornos ativos é muito utilizado em imagens 2D, sendo conhecido como snakes, devido à similaridade do seu comportamento durante a evolução do processo com a movimentação típica de uma serpente. Snakes é um modelo que descreve uma curva suave controlada por forças internas, ajustando elasticidade e rigidez, por forças da imagem e por forças externas definidas pelo usuário. A curva é ajustada através de minimização local de energia. A força interna da curva é utilizada para impor a hipótese de suavidade e controlar a elasticidade e rigidez da curva. A força da imagem pode deslocar a curva para características relevantes como linhas, bordas e contornos subjetivos. A força externa é responsável pela inicialização da curva numa localização que garanta a convergência do algoritmo para um mínimo local. Estas forças podem ser implementadas através de uma interface que permita que o usuário inicialize a curva num local desejado ou através de mecanismos automáticos de controle. A técnica Snake têm sido utilizada em uma variedade de problemas visuais: detecção de bordas, linhas e contornos subjetivos, acompanhamento de movimento e matching 18.

(30) estereoscópico. No caso de detecção de contornos, as técnicas tradicionais detectam bordas isoladas que serão conectadas na etapa de finalização do algoritmo. Esta é uma vantagem do snake, pois ele é o próprio contorno que evolui dinamicamente. Esta técnica apresenta a desvantagem de que, se a função de energia não estiver definida de forma robusta, uma boa aproximação inicial é necessária para convergir a um resultado coerente (Garrido, 1998). Um dos trabalhos mais recentes e automatizados foi desenvolvido por (Cheng, 2006). Este método utiliza transformada watershed e operações morfológicas para encontrar a região que contem o ventrículo esquerdo, e a seguir executa a deformação Snake com um mapa direcional de multiescala de borda para a detecção do contorno endocardial. Neste caso, a detecção automática da borda do endocárdio do ventrículo esquerdo envolve segmentação da região de interesse (Region of Interest) e determinação da fronteira do ventrículo esquerdo. Na etapa de pré-processamento a imagem é suavizada por um método de suavização de vizinhança adaptativa para reduzir o ruído. Os resultados quantitativos das cinco seqüências de imagem (104 imagens) mostram que o erro em relação as manualmente traçadas é pequeno. O trabalho de (Storvik, 1994) considera o problema de detecção de contornos através de uma abordagem Bayesiana. Informação a priori de suavidade é incluída no modelo através das derivadas discretas de primeira e segunda ordem. A dimensão fractal do objeto, medida pela relação entre o perímetro e a área, também é utilizada. A função de energia obtida através de medidas do gradiente da imagem e de informação a priori é minimizada utilizando a técnica simulated annealing. Quando aplicada a imagens do coração na modalidade de ultra-som, a técnica apresentou resultados consistentes. As desvantagens desta técnica são o ajuste empírico dos pesos utilizados em cada termo da função de energia, assim como a dificuldade da extensão da abordagem de detecção de contornos a estruturas 3D (Garrido, 1998). Os modelos deformáveis são bastante adequados para este tipo de tarefa de análise de imagem. Na abordagem mais simples, um modelo de contorno 2D deformável é utilizado para segmentar a fronteira do ventrículo esquerdo em cada fatia (slice) de uma imagem inicial 3D. Estes contornos são depois utilizados como a aproximação inicial das fronteiras do ventrículo esquerdo nas correspondentes fatias da imagem 3D no instante seguinte, e 19.